解釋器技能：為智能體構建工作流
本文介紹了LangChain提出的解釋器技能（Interpreter Skills）概念，這是一種將確定性代碼與智能體指令結合的方法。通過讓智能體在解釋器中導入並執行TypeScript模塊，可以構建更可靠、可評估的工作流，例如用於GitHub問題分類等任務。
文章情報
要點
- 解釋器技能擴展了傳統技能，包含一個TypeScript模塊供智能體在解釋器中運行。
- 確定性部分以代碼形式存在，智能體決定何時調用並傳入參數，提高了可靠性和可評估性。
- 該方法支持子智能體生成和複雜任務，如GitHub倉庫分類。
- 通過將流程固化到代碼中，減少模型在長上下文中的決策負擔，避免“上下文焦慮”。
為甚麼重要
這條新聞值得關注，因為解釋器技能擴展了傳統技能，包含一個TypeScript模塊供智能體在解釋器中運行。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
LangChain 近期在 Deep Agents 中引入了“解釋器技能”（Interpreter Skills）的概念，旨在將傳統的基於指令的技能與可執行代碼相結合。這一創新允許開發者為智能體（Agent）提供不僅包含説明文本，還附帶一個 TypeScript 模塊的技能。智能體可以在解釋器環境中導入並運行該模塊，從而執行確定性的工作流。
傳統技能通過 SKILL.md 文件向智能體描述任務，智能體需自行理解並執行指令。然而，對於需要精確步驟的任務（如數據清理或倉庫分類），依賴模型的自由裁量往往導致行為不一致。解釋器技能則提供了一種替代方案：SKILL.md 仍用於告知智能體何時該技能適用，同時附帶一個 index.ts 模塊，其中封裝了標準的處理流程。智能體決定調用該模塊的條件和輸入參數，而模塊內的代碼保證了流程的確定性。
在 Deep Agents 中，解釋器是一個嵌入式的 TypeScript 運行時，智能體可以在其中編寫和執行代碼，並保持狀態。解釋器技能利用這一能力，使技能模塊能夠直接與智能體的控制循環交互，實現諸如生成子智能體、管理任務圖、處理部分失敗等高級功能。這類似於將工作流引擎的可靠性賦予以模型為主導的智能體系統。
一個實際應用案例是 GitHub 倉庫分類。傳統方法需要模型在提示中逐步執行分類邏輯，容易在長對話中丟失連貫性。使用解釋器技能後，智能體只需調用 triage(repo, options) 函數，該函數會自動獲取未處理項、為每項生成子智能體進行摘要、然後進行聚類分析。整個過程在代碼中固化，模型僅負責決定調用時機和解釋結果。這不僅提高了效率，還使得評估從“模型是否遵循指令”轉變為“函數是否被正確調用”。
解釋器技能的核心優勢在於將“怎麼做”從模型的責任中剝離出來，交由代碼管理。模型專注於“何時做”和“做得怎樣”，而確定性邏輯由經過測試和審查的 TypeScript 代碼執行。這為構建可靠、可維護的智能體工作流提供了新範式，尤其適合需要精確步驟和長期運行的任務。